{"id":6523,"date":"2024-12-10T14:36:37","date_gmt":"2024-12-10T13:36:37","guid":{"rendered":"https:\/\/numalis.com\/?p=6523"},"modified":"2025-01-22T15:43:04","modified_gmt":"2025-01-22T14:43:04","slug":"vers-une-evolution-de-la-detection-et-du-traitement-du-cancer-grace-a-lia","status":"publish","type":"post","link":"https:\/\/numalis.com\/fr\/vers-une-evolution-de-la-detection-et-du-traitement-du-cancer-grace-a-lia\/","title":{"rendered":"Vers une \u00e9volution de la d\u00e9tection et du traitement du cancer gr\u00e2ce \u00e0 l’IA"},"content":{"rendered":"\n

Le cancer est l’une des principales causes de d\u00e9c\u00e8s, avec 9,7 millions de d\u00e9c\u00e8s li\u00e9s au cancer en 2022. Le nombre de nouveaux cas devrait passer de 20 millions en 2022 \u00e0 29,9 millions en 2040 1<\/a><\/sup>. Face \u00e0 des statistiques aussi sombres, des efforts concert\u00e9s sont d\u00e9ploy\u00e9s pour lutter contre la maladie, allant de la m\u00e9decine de pr\u00e9cision \u00e0 la mise au point de m\u00e9dicaments. De nombreuses innovations et technologies contribuent \u00e0 cette lutte, l’intelligence artificielle (IA) jouant un r\u00f4le important.<\/p>\n\n\n\n

L’IA poss\u00e8de un immense potentiel pour r\u00e9volutionner le secteur m\u00e9dical<\/a>, et plus particuli\u00e8rement le traitement du cancer \u00e0 l’\u00e9chelle mondiale. Au-del\u00e0 de l’am\u00e9lioration des th\u00e9rapies, les syst\u00e8mes aliment\u00e9s par l’IA promettent de r\u00e9duire les disparit\u00e9s li\u00e9es au cancer en am\u00e9liorant l’acc\u00e8s \u00e0 un traitement optimal et en comblant le foss\u00e9 entre les soins et la recherche sur le cancer. <\/p>\n\n\n\n

Dans un r\u00e9cent podcast intitul\u00e9 \u00ab Let’s Talk Cancer \u00bb, le Dr Laszlo Radvanyi, pr\u00e9sident et directeur scientifique de l’Institut de recherche sur le cancer de l’Ontario, admet que l’IA a r\u00e9volutionn\u00e9 divers aspects du traitement du cancer et que l’on peut s’attendre \u00e0 beaucoup plus \u00e0 l’avenir 2<\/a><\/sup>.\u00a0<\/p>\n\n\n\n

Ces sentiments d\u00e9montrent le potentiel de l’IA dans la lutte contre le cancer. Cet article explore l’impact de l’IA sur le traitement du cancer dans des domaines tels que la d\u00e9tection pr\u00e9coce, les soins personnalis\u00e9s aux patients et la recherche. <\/p>\n\n\n\n

D\u00e9tection pr\u00e9coce et diagnostic du cancer assist\u00e9s par l’IA<\/h2>\n\n\n\n

\u00ab Le diagnostic des l\u00e9sions canc\u00e9reuses est une t\u00e2che laborieuse et difficile. Nous voulons que tous les laboratoires du monde aient acc\u00e8s \u00e0 notre application d’IA. Elle peut trier les \u00e9chantillons, donner un deuxi\u00e8me avis ou m\u00eame fournir un diagnostic pr\u00e9liminaire dans les r\u00e9gions mal desservies \u00bb, explique le Dr Chao, chercheur principal charg\u00e9 de d\u00e9velopper des programmes bas\u00e9s sur l’IA pour le cancer de la cavit\u00e9 buccale. Ce sentiment fait \u00e9cho aux attentes de nombreux chercheurs et professionnels de la sant\u00e9 concernant le potentiel de l’intelligence artificielle (IA) dans les soins de sant\u00e9.<\/p>\n\n\n\n

L’explosion des donn\u00e9es \u00e9lectroniques sur les soins de sant\u00e9 a cr\u00e9\u00e9 de vastes ensembles de donn\u00e9es qui peuvent \u00eatre analys\u00e9s \u00e0 l’aide de techniques d’IA, telles que le Machine Learning (ML) et le Deep Learning (DL). Ces puissants algorithmes peuvent mettre en \u00e9vidence des sch\u00e9mas et des corr\u00e9lations dans les donn\u00e9es qui ne seraient pas apparents avec les m\u00e9thodes d’analyse traditionnelles. Les techniques de ML et de DL sont particuli\u00e8rement efficaces dans la d\u00e9tection et le diagnostic du cancer, car elles peuvent traiter rapidement de grandes quantit\u00e9s de donn\u00e9es et identifier des indicateurs subtils de la maladie.<\/p>\n\n\n\n

Analyse d’images m\u00e9dicales<\/h3>\n\n\n\n

L’identification des personnes pr\u00e9sentant un risque \u00e9lev\u00e9 de souffrir d’un cancer est avantageuse car elle permet aux m\u00e9decins de les surveiller et de d\u00e9ployer des interventions pr\u00e9coces. Les techniques d’imagerie m\u00e9dicale telles que les TEP, l’IRM et la Computer tomography(CT-scan) constituent la base de l’\u00e9valuation des images. Cependant, l’interpr\u00e9tation de certaines de ces images est complexe en raison des diff\u00e9rentes pr\u00e9sentations des tumeurs et d’autres caract\u00e9ristiques qui se chevauchent entre les l\u00e9sions malignes et b\u00e9nignes.<\/p>\n\n\n\n

Les algorithmes de DL tels que les r\u00e9seaux adversaires g\u00e9n\u00e9ratifs (GAN) et les r\u00e9seaux neuronaux \u00e0 convolution (CNN) peuvent extraire des informations pertinentes des scanners 3<\/a><\/sup>. Les mod\u00e8les de pr\u00e9diction des risques aliment\u00e9s par l’IA peuvent utiliser des donn\u00e9es multimodales pour d\u00e9terminer la probabilit\u00e9 qu’un patient d\u00e9veloppe un cancer sur la base de scores de risque.<\/p>\n\n\n\n

Exemples d’IA dans l’analyse d’images m\u00e9dicales<\/h4>\n\n\n\n

Des recherches men\u00e9es par la Radiological Society of North America (RSNA) ont montr\u00e9 que les mod\u00e8les d’IA sont plus performants que les mod\u00e8les de risque standard tels que le BCSC pour pr\u00e9dire le risque de cancer du sein \u00e0 cinq ans. Les outils bas\u00e9s sur l’IA utilisent les mammographies et peuvent identifier les cancers manqu\u00e9s et les tissus canc\u00e9reux du sein 4<\/a><\/sup>.\u00a0<\/p>\n\n\n\n

L’analyse d’images bas\u00e9e sur l’IA est \u00e9galement utilis\u00e9e pour d\u00e9velopper des outils de d\u00e9pistage et de pr\u00e9diction des personnes susceptibles d’avoir un cancer du poumon. Par exemple, des chercheurs ont mis au point un outil appel\u00e9 Sybil, qui peut pr\u00e9dire avec pr\u00e9cision le cancer du poumon \u00e0 l’aide d’un seul CT scan thoracique \u00e0 faible dose. L’outil peut le faire \u00e0 court et \u00e0 long terme, ce qui simplifie les processus d’\u00e9valuation des risques et contribue \u00e0 am\u00e9liorer le d\u00e9pistage 5<\/a><\/sup>.<\/p>\n\n\n\n

Il existe \u00e9galement des logiciels bas\u00e9s sur l’IA con\u00e7us pour aider les pathologistes \u00e0 d\u00e9pister et \u00e0 diagnostiquer le cancer de la prostate. Le syst\u00e8me analyse les images de biopsie de la prostate pour d\u00e9terminer si l’image pr\u00e9sente des zones de tissus canc\u00e9reux 6<\/a><\/sup>.<\/p>\n\n\n\n

De plus, la pathologie num\u00e9rique pilot\u00e9e par l’IA am\u00e9liore le diagnostic du cancer \u00e0 l’aide d’algorithmes tels que les r\u00e9seaux neuronaux artificiels ( \u00ab\u00a0ANN\u00a0\u00bb). Le syst\u00e8me \u00e9tudie et identifie le d\u00e9veloppement de nouveaux biomarqueurs \u00e0 partir d’images de tumeurs \u00e0 haute r\u00e9solution.\u00a0<\/p>\n\n\n\n

Un autre outil, appel\u00e9 iStar, interpr\u00e8te les images m\u00e9dicales en d\u00e9tail, ce qui permet aux cliniciens d’obtenir des \u00e9claircissements sur des cancers qui auraient pu passer inaper\u00e7us.\u00a0 En outre, il peut d\u00e9terminer les marges de s\u00e9curit\u00e9 lors des op\u00e9rations chirurgicales du cancer et \u00e9tiqueter automatiquement les images microscopiques, ce qui facilite le diagnostic mol\u00e9culaire des maladies 7<\/a><\/sup>.<\/p>\n\n\n\n

Ces processus de d\u00e9pistage simplifi\u00e9s et non invasifs sont prometteurs pour promouvoir la lutte contre le cancer dans diff\u00e9rents contextes g\u00e9ographiques et d\u00e9mographiques. L’utilisation de donn\u00e9es et d’images m\u00e9dicales pour anticiper et diagnostiquer les maladies continuera \u00e0 se d\u00e9velopper \u00e0 mesure que de nouveaux outils bas\u00e9s sur l’IA seront disponibles.<\/p>\n\n\n\n

D\u00e9tection du cancer par l’IA \u00e0 l’aide de tests sanguins<\/h3>\n\n\n\n

Certains outils d’IA avanc\u00e9s sont en cours de d\u00e9veloppement pour analyser les profils sanguins, en particulier pour examiner l’ADN tumoral circulaire (ADNct) et le microARN (miARN) dans le plasma 8<\/a><\/sup>. Ces outils peuvent \u00eatre utilis\u00e9s pour d\u00e9tecter les cancers du pancr\u00e9as et de l’estomac, qui sont tr\u00e8s difficiles \u00e0 d\u00e9tecter.<\/p>\n\n\n\n

L’\u00e9volution vers un profilage sanguin pilot\u00e9 par l’IA promet une d\u00e9tection plus pr\u00e9coce et plus pr\u00e9cise des cancers. Par exemple, une nouvelle technique du Johns Hopkins Kimmel Cancer Center a montr\u00e9 une pr\u00e9cision de 91 \u00e0 96 % dans la d\u00e9tection du cancer du poumon \u00e0 partir d’\u00e9chantillons de sang 9<\/a><\/sup>.<\/p>\n\n\n\n

Solutions d’autodiagnostic pilot\u00e9es par l’IA<\/h3>\n\n\n\n

De nombreux outils, applis et appareils aliment\u00e9s par l’IA favorisent le d\u00e9pistage pr\u00e9liminaire pour une d\u00e9tection pr\u00e9coce. Toutefois, ils ne remplacent pas l’\u00e9valuation et l’expertise m\u00e9dicale.<\/p>\n\n\n\n

Un bon exemple est l’application SkinVision, un dispositif m\u00e9dical r\u00e9glement\u00e9 qui permet de d\u00e9pister le cancer de la peau. L’application permet aux utilisateurs de prendre des photos de taches cutan\u00e9es suspectes. L’IA analyse l’image pour identifier le type de peau et le profil de risque. L’outil a un taux de pr\u00e9cision de 95 % pour les cancers de la peau courants 10<\/a><\/sup>.<\/p>\n\n\n\n

Personnaliser le traitement du cancer gr\u00e2ce \u00e0 l’IA<\/h2>\n\n\n\n

L’un des principaux d\u00e9fis pos\u00e9s par les m\u00e9thodes conventionnelles est qu’elles visent \u00e0 tuer le plus grand nombre de cellules possible. Ces m\u00e9thodes soumettent les patients \u00e0 des doses \u00e9lev\u00e9es, qui n’ont pas toujours l’effet curatif escompt\u00e9. En raison de la grande h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 du cancer, des m\u00e9dicaments similaires peuvent ne pas avoir la m\u00eame efficacit\u00e9 chez diff\u00e9rents patients.<\/p>\n\n\n\n

Analyse des donn\u00e9es du patient conduite par l’IA<\/h3>\n\n\n\n

Les mod\u00e8les de ML et DL peuvent analyser en profondeur la g\u00e9nomique, la prot\u00e9omique, les images pathologiques et d’autres donn\u00e9es d’un patient afin de cr\u00e9er un profil complet de ce dernier 11<\/a><\/sup>.<\/p>\n\n\n\n

Dans une \u00e9tude men\u00e9e par l’Universit\u00e9 d’Oxford et le Moffitt Cancer Center, des chercheurs ont utilis\u00e9 avec succ\u00e8s un cadre d’apprentissage par renforcement profond (DRL) pour d\u00e9velopper une approche personnalis\u00e9e des soins du cancer. Cette m\u00e9thode a permis aux m\u00e9decins de formuler des plans de traitement individualis\u00e9s pour les patients atteints de cancer de la prostate, contribuant ainsi \u00e0 doubler le d\u00e9lai de rechute pour certains patients 12<\/a><\/sup>.<\/p>\n\n\n\n

En utilisant ce cadre, les chercheurs ont propos\u00e9 une nouvelle m\u00e9thode pour cr\u00e9er un \u00ab jumeau virtuel \u00bb des patients. Le cadre de la LRD pourrait \u00e9galement \u00eatre affin\u00e9 pour produire un programme de traitement personnalis\u00e9 pour les nouveaux patients atteints de cancer, sur la base de leurs donn\u00e9es de traitement initiales 13<\/a><\/sup>.<\/p>\n\n\n\n

Un plan de traitement sur mesure<\/h3>\n\n\n\n

Le traitement des patients atteints d’un cancer de primitif inconnu (CUP) est difficile car leur origine est inconnue. L’IA aide \u00e9galement les chercheurs \u00e0 faire des progr\u00e8s significatifs dans ce domaine, en aidant les m\u00e9decins \u00e0 personnaliser les plans de traitement en fonction de leurs r\u00e9sultats tout en \u00e9vitant les m\u00e9dicaments \u00e0 large spectre. L’outil analyse les s\u00e9quences g\u00e9n\u00e9tiques de 400 g\u00e8nes li\u00e9s au cancer pour pr\u00e9dire l’origine d’une tumeur, ce qui est essentiel pour d\u00e9terminer une strat\u00e9gie de traitement efficace 14<\/a><\/sup>.<\/p>\n\n\n\n

Le mod\u00e8le oncoNPC utilis\u00e9 dans cette \u00e9tude a permis de doubler le nombre de patients \u00e9ligibles aux traitements guid\u00e9s par la g\u00e9nomique. Les oncologues peuvent prescrire des m\u00e9dicaments de pr\u00e9cision en fonction du type de cancer pr\u00e9dit, ce qui am\u00e9liore les r\u00e9sultats pour les patients et r\u00e9duit les effets secondaires des m\u00e9dicaments \u00e0 large spectre 15<\/a><\/sup>.<\/p>\n\n\n\n

Optimisation des combinaisons de m\u00e9dicaments<\/h3>\n\n\n\n

L’efficacit\u00e9 des m\u00e9dicaments anticanc\u00e9reux diminue g\u00e9n\u00e9ralement apr\u00e8s la p\u00e9riode initiale de traitement en raison de la r\u00e9sistance aux m\u00e9dicaments. Cependant, la recherche a montr\u00e9 que les combinaisons th\u00e9rapeutiques ont une efficacit\u00e9 sup\u00e9rieure, r\u00e9duisant la r\u00e9sistance aux m\u00e9dicaments et la posologie. Des \u00e9tudes ont \u00e9galement indiqu\u00e9 des taux de survie plus \u00e9lev\u00e9s pour les patients recevant des th\u00e9rapies combin\u00e9es que pour ceux recevant un traitement \u00e0 agent unique.<\/p>\n\n\n\n

Les mod\u00e8les ML et DL utilisant des algorithmes tels que XGBoost, les r\u00e9seaux neuronaux feed-forward et les for\u00eats al\u00e9atoires (RF) peuvent \u00eatre utilis\u00e9s pour le criblage \u00e0 haut d\u00e9bit afin d’acc\u00e9l\u00e9rer la classification et l’identification de la synergie des m\u00e9dicaments anticanc\u00e9reux16<\/a><\/sup>. Les chercheurs peuvent d\u00e9velopper des combinaisons rationnelles de m\u00e9dicaments pour des th\u00e9rapies efficaces en pr\u00e9disant de nouvelles combinaisons synergiques.<\/p>\n\n\n\n

Recherche sur le cancer assist\u00e9e par l’IA<\/h2>\n\n\n\n

La recherche et le d\u00e9veloppement assist\u00e9s par l’IA dans le domaine des soins du cancer sont remarquables, soulignant des \u00e9tudes approfondies et des d\u00e9couvertes r\u00e9volutionnaires. L’IA continue de pr\u00e9senter des m\u00e9thodes prometteuses pour faire progresser la recherche sur le cancer, en particulier lorsqu’elle est int\u00e9gr\u00e9e \u00e0 d’autres technologies de pointe telles que la radionique et la g\u00e9nomique 17<\/a><\/sup>.<\/p>\n\n\n\n

D\u00e9veloppement de m\u00e9dicaments contre le cancer<\/h3>\n\n\n\n

La mise au point de m\u00e9dicaments anticanc\u00e9reux est co\u00fbteuse, complexe et longue. Avec l’augmentation du nombre de cas de cancer dans le monde, il est devenu urgent d’acc\u00e9l\u00e9rer la mise au point de m\u00e9dicaments efficaces pour lutter contre la maladie.<\/p>\n\n\n\n

Voici comment l’IA contribue \u00e0 la mise au point de m\u00e9dicaments contre le cancer.<\/p>\n\n\n\n